CN116466672B - 基于人工智能的数据中心机房参数调控方法及相关装置 - Google Patents
基于人工智能的数据中心机房参数调控方法及相关装置 Download PDFInfo
- Publication number
- CN116466672B CN116466672B CN202310691920.1A CN202310691920A CN116466672B CN 116466672 B CN116466672 B CN 116466672B CN 202310691920 A CN202310691920 A CN 202310691920A CN 116466672 B CN116466672 B CN 116466672B
- Authority
- CN
- China
- Prior art keywords
- model
- parameter
- data
- regulation
- machine room
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 125
- 239000013598 vector Substances 0.000 claims abstract description 125
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 80
- 239000000498 cooling water Substances 0.000 claims abstract description 73
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000006243 chemical reaction Methods 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000001105 regulatory effect Effects 0.000 claims description 18
- 230000010354 integration Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000001816 cooling Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000005265 energy consumption Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 6
- 238000012935 Averaging Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及人工智能领域，公开了一种基于人工智能的数据中心机房参数调控方法及相关装置，用于实现数据中心机房的智能参数调控并提高参数调控的准确率。方法包括：将风***运行数据输入多个第一训练模型进行模型训练，得到第一模型集，以及将水***运行数据输入预置的多个第二训练模型进行模型训练，得到第二模型集；将第一模型集和第二模型集作为第一层决策基模型，并对第一层决策基模型和第二层决策元模型进行模型融合，得到目标参数调控模型；对第二运行数据以及机房环境数据进行向量转换，得到目标运行向量；将目标运行向量输入目标参数调控模型进行机房参数调控分析，得到塔风量调控参数和冷却水量调控参数。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种基于人工智能的数据中心机房参数调控方法及相关装置。
背景技术
数据中心是当前数字化社会的重要基础设施，其所需的能源资源和运行成本不断增加，因此，提高数据中心能源利用效率已成为一项紧迫的任务。在这种背景下，数据中心机房的参数调控方法可以帮助数据中心管理员通过智能技术实现精确的机房参数调控，以降低机房的能源消耗和运行成本。
然而，目前的数据中心机房参数调控技术采取的是周期性的调控策略，无法精准地反映实时的机房环境变化和能源消耗情况，从而导致能源浪费和能耗不均衡。此外，由于数据中心机房的复杂性和不确定性，许多现有的数据采集和分析方法可能会导致数据不准确或误差较大，从而影响参数调控的精度和效果。
发明内容
本发明提供了一种基于人工智能的数据中心机房参数调控方法及相关装置，用于实现数据中心机房的智能参数调控并提高参数调控的准确率。
本发明第一方面提供了一种基于人工智能的数据中心机房参数调控方法，所述基于人工智能的数据中心机房参数调控方法包括：
获取机房温控***的第一运行数据，并对所述第一运行数据进行属性分类，得到风***运行数据以及水***运行数据；
将所述风***运行数据输入预置的多个第一训练模型进行模型训练，得到第一模型集，以及将所述水***运行数据输入预置的多个第二训练模型进行模型训练，得到第二模型集；
将所述第一模型集和所述第二模型集作为第一层决策基模型，并对所述第一层决策基模型和预设的第二层决策元模型进行模型融合，得到目标参数调控模型；
获取待处理的第二运行数据以及机房环境数据，并对所述第二运行数据以及所述机房环境数据进行向量转换，得到目标运行向量；
将所述目标运行向量输入所述目标参数调控模型进行机房参数调控分析，得到塔风量调控参数和冷却水量调控参数；
根据所述塔风量调控参数和所述冷却水量调控参数生成所述机房温控***的参数调控方案，并根据所述参数调控方案对所述机房温控***进行最佳温度和最低功率监控，得到所述机房温控***的最佳温度点和最低总功率。
结合第一方面，在本发明第一方面的第一实施方式中，所述获取机房温控***的第一运行数据，并对所述第一运行数据进行属性分类，得到风***运行数据以及水***运行数据，包括：
获取机房温控***的第一运行数据，并获取所述机房温控***中风***的第一属性标识以及水***的第二属性标识；
根据所述第一属性标识对所述第一运行数据进行分类提取，得到风***运行数据，其中，所述风***运行数据包括：冷却塔风机频率、风量数据以及风***IT数据；
根据所述第二属性标识对所述第一运行数据进行分类提取，得到水***运行数据，其中，所述水***运行数据包括：主机冷却水泵频率、水流量数据以及水***IT数据。
结合第一方面，在本发明第一方面的第二实施方式中，所述将所述风***运行数据输入预置的多个第一训练模型进行模型训练，得到第一模型集，以及将所述水***运行数据输入预置的多个第二训练模型进行模型训练，得到第二模型集，包括：
根据所述风***运行数据中的冷却塔风机频率、风量数据以及风***IT数据，分别对预置的多个第一训练模型进行模型训练，得到多个第一预测结果；
根据所述多个第一预测结果设置每个第一训练模型的模型权重，得到每个第一训练模型的第一模型权重；
根据所述第一模型权重对所述多个第一训练模型进行模型集成，得到第一模型集；
根据所述水***运行数据中的主机冷却水泵频率、水流量数据以及水***IT数据，分别对预置的多个第二训练模型进行模型训练，得到多个第二预测结果；
根据所述多个第二预测结果设置每个第二训练模型的模型权重，得到每个第二训练模型的第二模型权重；
根据所述第二模型权重对所述多个第二训练模型进行模型集成，得到第二模型集。
结合第一方面，在本发明第一方面的第三实施方式中，所述将所述第一模型集和所述第二模型集作为第一层决策基模型，并对所述第一层决策基模型和预设的第二层决策元模型进行模型融合，得到目标参数调控模型，包括：
对所述第一模型集和所述第二模型集进行模型合并，并将所述第一模型集和所述第二模型集作为第一层决策基模型；
通过预设的中间层，对所述第一层决策基模型和预设的第二层决策元模型进行模型连接，得到目标参数调控模型。
结合第一方面，在本发明第一方面的第四实施方式中，所述获取待处理的第二运行数据以及机房环境数据，并对所述第二运行数据以及所述机房环境数据进行向量转换，得到目标运行向量，包括：
获取待处理的第二运行数据，以及获取所述机房温控***的机房环境数据，其中，所述机房环境数据包括湿球温度、湿球湿度以及室外温度；
对所述第二运行数据进行向量编码，得到初始运行向量，并对所述机房环境数据进行向量编码，得到环境评价向量；
对所述初始运行向量和所述环境评价向量进行向量拼接，得到目标运行向量。
结合第一方面，在本发明第一方面的第五实施方式中，所述将所述目标运行向量输入所述目标参数调控模型进行机房参数调控分析，得到塔风量调控参数和冷却水量调控参数，包括：
将所述目标运行向量输入所述目标参数调控模型，其中，所述目标参数调控模型包括：第一层决策基模型、中间层以及第二层决策元模型；
通过所述第一层决策基模型对所述目标运行向量进行特征提取和预测分析，得到塔风量参数预测值以及冷却水量参数预测值；
通过所述中间层，将所述塔风量参数预测值以及所述冷却水量参数预测值输入所述第二层决策元模型进行参数校验，得到塔风量调控参数和冷却水量调控参数。
结合第一方面，在本发明第一方面的第六实施方式中，所述根据所述塔风量调控参数和所述冷却水量调控参数生成所述机房温控***的参数调控方案，并根据所述参数调控方案对所述机房温控***进行最佳温度和最低功率监控，得到所述机房温控***的最佳温度点和最低总功率，包括：
根据所述第二运行数据确定所述机房温控***的当前塔风量以及当前冷却水量；
根据所述塔风量调控参数和所述当前塔风量生成第一调控方案，以及根据所述冷却水量调控参数和所述当前冷却水量生成第二调控方案；
根据所述第一调控方案以及所述第二调控方案生成所述机房温控***的参数调控方案；
根据所述参数调控方案对所述机房温控***进行最佳温度监控，得到最佳温度点；
根据所述最佳温度点，获取所述机房温控***对应的最低总功率。
本发明第二方面提供了一种基于人工智能的数据中心机房参数调控装置，所述基于人工智能的数据中心机房参数调控装置包括：
获取模块，用于获取机房温控***的第一运行数据，并对所述第一运行数据进行属性分类，得到风***运行数据以及水***运行数据；
训练模块，用于将所述风***运行数据输入预置的多个第一训练模型进行模型训练，得到第一模型集，以及将所述水***运行数据输入预置的多个第二训练模型进行模型训练，得到第二模型集；
融合模块，用于将所述第一模型集和所述第二模型集作为第一层决策基模型，并对所述第一层决策基模型和预设的第二层决策元模型进行模型融合，得到目标参数调控模型；
转换模块，用于获取待处理的第二运行数据以及机房环境数据，并对所述第二运行数据以及所述机房环境数据进行向量转换，得到目标运行向量；
分析模块，用于将所述目标运行向量输入所述目标参数调控模型进行机房参数调控分析，得到塔风量调控参数和冷却水量调控参数；
调控模块，用于根据所述塔风量调控参数和所述冷却水量调控参数生成所述机房温控***的参数调控方案，并根据所述参数调控方案对所述机房温控***进行最佳温度和最低功率监控，得到所述机房温控***的最佳温度点和最低总功率。
本发明第三方面提供了一种基于人工智能的数据中心机房参数调控设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于人工智能的数据中心机房参数调控设备执行上述的基于人工智能的数据中心机房参数调控方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于人工智能的数据中心机房参数调控方法。
本发明提供的技术方案中，将风***运行数据输入多个第一训练模型进行模型训练，得到第一模型集，以及将水***运行数据输入预置的多个第二训练模型进行模型训练，得到第二模型集；将第一模型集和第二模型集作为第一层决策基模型，并对第一层决策基模型和第二层决策元模型进行模型融合，得到目标参数调控模型；对第二运行数据以及机房环境数据进行向量转换，得到目标运行向量；将目标运行向量输入目标参数调控模型进行机房参数调控分析，得到塔风量调控参数和冷却水量调控参数，本发明实现了实时监控和精确调控机房的温度、湿度和能耗等参数，从而提高数据中心的能源利用效率和节能效果，降低数据中心的运行成本，采用了AI智能决策技术，可以自动化调整机房温控***运行参数，减少温控***能耗，降低数据中心PUE值，提高机房的运行效率，利用多模型融合技术，可以更准确地预测机房环境和能源消耗情况，提高数据分析和调控的精度，进而采用了最优化控制策略，可以找到机房温控***的最佳温度点和最低总功率，从而提高机房调控效果，实现了数据中心机房的智能参数调控，并且提高了参数调控的准确率。
附图说明
图1为本发明实施例中基于人工智能的数据中心机房参数调控方法的一个实施例示意图；
图2为本发明实施例中模型训练的流程图；
图3为本发明实施例中模型融合的流程图；
图4为本发明实施例中向量转换的流程图；
图5为本发明实施例中基于人工智能的数据中心机房参数调控装置的一个实施例示意图；
图6为本发明实施例中基于人工智能的数据中心机房参数调控设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于人工智能的数据中心机房参数调控方法及相关装置，用于实现数据中心机房的智能参数调控并提高参数调控的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于人工智能的数据中心机房参数调控方法的一个实施例包括：
S101、获取机房温控***的第一运行数据，并对第一运行数据进行属性分类，得到风***运行数据以及水***运行数据；
可以理解的是，本发明的执行主体可以为基于人工智能的数据中心机房参数调控装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器安装温控***，添加传感器和控制设备，并将其连接到网络中。获取温控***第一次运行时产生的数据，这些数据包括温度、湿度、风速、水压等一系列参数。对获取的第一运行数据进行属性分类。可以使用分类算法进行属性分类，将数据按照各种属性进行分类，例如将温度、湿度与风速和水压进行分类。根据所得到的属性分类结果，得到风***运行数据和水***运行数据。例如，将风速和风向的数据作为风***运行数据，将水压和水流量的数据作为水***运行数据。对数据进行监控和分析，将其与历史数据进行比较，以预测温控***的未来运行趋势。这样可以在机房出现问题前提前发现并解决问题，确保机房运行的正常。将数据进行可视化，以便于用户进行分析和理解。可以使用各种图表和报表来呈现数据，例如柱状图、折线图、实时监控等。例如，机房温控***是一个电子控制***，它可以监测到实时的温度、湿度等参数，并通过风***和水***来调节温度。对于这个机房温控***，获取温控***的第一运行数据，并对数据进行分类以得到风***运行数据和水***运行数据。首先将温控***安装到机房中，进而获取第一运行数据，并将数据进行分类，例如将温度和湿度数据作为一组，将风速和风向数据作为另外一组，将水流量和水压数据作为最后一组。接下来，将得到的数据进行可视化。可以使用实时监控***来显示温度和湿度的变化情况，使用折线图来呈现温度和湿度数据等等，这样可以更加直观地了解机房温控***的运行情况，并且在出现问题时可以迅速地定位和解决问题，保证了机房温控***的高效运行。
S102、将风***运行数据输入预置的多个第一训练模型进行模型训练，得到第一模型集，以及将水***运行数据输入预置的多个第二训练模型进行模型训练，得到第二模型集；
具体的，服务器在将风***或水***运行数据输入到模型之前，需要进行一些预处理，如数据清洗、数据归一化等操作，以保证模型训练的准确性。选择适合当前数据集的机器学习模型，通常可以选择多种不同的分类和回归模型，例如线性回归、逻辑回归、决策树、支持向量机等。根据不同的数据分布和预测需求，选择更加适合的模型。使用已选择的模型，分别在多个第一（或第二）训练模型上进行训练，形成第一（或第二）模型集。训练过程中需要注意对数据集进行划分，通常按照训练集、验证集和测试集等进行划分，以确保模型的泛化性。在训练过程中，使用验证集来评估每个模型的性能，如准确率、AUC、F1-Score等指标。根据这些指标，选择最优的模型用于后续预测和实际应用。在模型训练过程中，进行模型调优是非常必要的。可以尝试不同的超参数、不同的损失函数或优化器来优化模型的性能。例如，考虑研究一个大型工厂的风***和水***运行数据的分类和预测。假设需要将风***运行数据输入预置的多个第一训练模型进行模型训练，得到第一模型集。为了满足预测需求和数据分布，如风力、温度、湿度等可以选择逻辑回归、决策树、SVM等不同类型的机器学习模型。在进行模型训练之前，需要进行数据预处理，如缺失值填充、标准化等操作。训练过程中要将数据集按照训练集、验证集和测试集进行划分，以便进行模型评估和选择。最后根据指标选择最优的模型，并进行相应的模型调优操作。同样地，将水***运行数据输入预置的多个第二训练模型进行模型训练，在可用的模型集中选出最优模型，是一个类似的过程。数据预处理、模型选择、模型训练、模型评估和选择等环节均需要依次完成。
S103、将第一模型集和第二模型集作为第一层决策基模型，并对第一层决策基模型和预设的第二层决策元模型进行模型融合，得到目标参数调控模型；
需要说明的是，将第一模型集和第二模型集作为第一层决策基模型，并使用数据集对其进行调参，以实现更好的预测结果。第一层的模型集成可以使用各种集成方法，例如投票、堆叠、学习等，以达到综合模型的性能优化。对第一层模型集成得到的结果和其他特征进行选择和抽取，输入到预设好的第二层决策元模型中进行训练，得到目标参数调控模型。在完成模型融合之后，对模型进行参数调优。常见的方法有网格搜索法、遗传算法等。这些方法可以在超参数领域中为模型选择最佳参数，并最大化模型的性能。例如，将风速和偏航角数据输入预置的第一模型集和第二模型集中，并进行模型集成。在第一层集成后，得到更加准确的预测结果，并把预测结果和其他特征组合在一起，将其输入到预设好的第二层决策元模型中进行模型训练。在完成模型融合之后，对模型进行参数调优。可以使用遗传算法来为模型选择最佳的超参数，以最大化模型的性能。最终得到的目标参数调控模型可以用于风电站的风速和偏航角数据的预测和调整，以确保风电站的正常运行。其中，通过将第一和第二模型集作为第一层决策基模型，并利用预设的第二层决策元模型进行模型融合，得到目标参数调控模型，可以大大提高模型的准确性和预测性能。
S104、获取待处理的第二运行数据以及机房环境数据，并对第二运行数据以及机房环境数据进行向量转换，得到目标运行向量；
具体的，获取待处理的第二运行数据以及机房环境数据。第二运行数据和机房环境数据包括多种参数，如温度、湿度、压力、电流、电压等。这些数据可以通过传感器或监测设备测量得到。在进行向量转换之前，对数据进行一些预处理。例如，需要进行数据清洗、缺失值填充、数据归一化等操作，以确保数据质量和一致性。对第二运行数据和机房环境数据进行向量转换。通常情况下，在向量转换之前，对数据进行特征提取，以减少向量维度和提高向量表示的准确性。可以使用多种转换方法，如主成分分析（PCA）、线性判别分析（LDA）等。通过对第二运行数据和机房环境数据进行向量转换，获得目标运行向量。例如，考虑机房中几台服务器的CPU负载和内存使用率数据以及机房的温度和湿度数据。要获取目标运行向量，需要将这些数据进行向量转换。将CPU负载和内存使用率数据与温度和湿度数据进行数据融合，以得到完整的目标数据集。然后进行预处理，如填充数据缺失值、数据归一化等。接下来进行特征提取和转换，例如使用PCA进行特征提取和向量转换。通过这些步骤，可以获得目标运行向量，该向量是包含所有变量的向量。将该向量输入到之后的***中，可以得到的目标结果，如故障检测、***控制等。
S105、将目标运行向量输入目标参数调控模型进行机房参数调控分析，得到塔风量调控参数和冷却水量调控参数；
具体的，服务器目标参数调控模型：构建一个目标参数调控模型，该模型可以是根据历史数据和先验知识构建的机器学习模型或其他类型的数学模型。目标运行向量输入：将待处理的目标运行向量输入到目标参数调控模型中，以进行机房参数调控分析。分析结果：根据目标参数调控模型分析结果，得到塔风量调控参数和冷却水量调控参数。这些参数可以用于调整相关设备或控制***的状态，从而保证机房的稳定运行和节约能源。例如，假设机房包括一台高功率计算机和一台激光切割机。该机房的目标运行向量可以包括多种参数，如温度、湿度、机器负载、电池电量等。将该目标运行向量输入到预设好的目标参数调控模型中进行机房参数调控分析。通过模型分析，得到了塔风量调控参数和冷却水量调控参数。
S106、根据塔风量调控参数和冷却水量调控参数生成机房温控***的参数调控方案，并根据参数调控方案对机房温控***进行最佳温度和最低功率监控，得到机房温控***的最佳温度点和最低总功率。
具体的，根据塔风量调控参数和冷却水量调控参数，通过机器学习、数学优化等技术生成机房温控***的参数调控方案。该方案可以包括多个参数，如风扇转速、水泵流量、冷却水温度等。根据参数调控方案，对机房温控***进行最佳温度和最低功率监控。该过程可以通过传感器或监测***实现，例如温度传感器、功率计等设备。根据监控数据和调控方案，分析机房温控***的最佳温度点和最低总功率。这些数据可以用于改进温控***的性能，优化调控方案等决策。例如，假设一个机房包括多个服务器和其他设备，根据塔风量调控参数和冷却水量调控参数，生成机房温控***的参数调控方案。例如，可以通过增加风扇转速和调整冷却水流量来实现机房温度的控制。然后，通过温度传感器和功率计监控机房温控***的最佳温度和最低功率，得到机房温控***的最佳温度点和最低总功率。
本发明实施例中，将风***运行数据输入多个第一训练模型进行模型训练，得到第一模型集，以及将水***运行数据输入预置的多个第二训练模型进行模型训练，得到第二模型集；将第一模型集和第二模型集作为第一层决策基模型，并对第一层决策基模型和第二层决策元模型进行模型融合，得到目标参数调控模型；对第二运行数据以及机房环境数据进行向量转换，得到目标运行向量；将目标运行向量输入目标参数调控模型进行机房参数调控分析，得到塔风量调控参数和冷却水量调控参数，本发明实现了实时监控和精确调控机房的温度、湿度和能耗等参数，从而提高数据中心的能源利用效率和节能效果，降低数据中心的运行成本，采用了AI智能决策技术，可以自动化调整机房温控***运行参数，减少温控***能耗，降低数据中心PUE值，提高机房的运行效率，利用多模型融合技术，可以更准确地预测机房环境和能源消耗情况，提高数据分析和调控的精度，进而采用了最优化控制策略，可以找到机房温控***的最佳温度点和最低总功率，从而提高机房调控效果，实现了数据中心机房的智能参数调控，并且提高了参数调控的准确率。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）获取机房温控***的第一运行数据，并获取机房温控***中风***的第一属性标识以及水***的第二属性标识；
（2）根据第一属性标识对第一运行数据进行分类提取，得到风***运行数据，其中，风***运行数据包括：冷却塔风机频率、风量数据以及风***IT数据；
（3）根据第二属性标识对第一运行数据进行分类提取，得到水***运行数据，其中，水***运行数据包括：主机冷却水泵频率、水流量数据以及水***IT数据。
具体的，服务器获取机房温控***的第一运行数据。第一运行数据包括多种参数，例如温度、湿度、功率、电流等。可以通过传感器或监测设备测量得到。然后获取机房温控***中风***的第一属性标识以及水***的第二属性标识。这些属性标识可以根据***架构和设备规格进行确定。数据分类提取：根据风***的第一属性标识，对第一运行数据进行分类提取，以得到风***运行数据。风***运行数据包括冷却塔风机频率、风量数据以及风***IT数据等。具体来说，假设机房温控***包括风***和水***。风***的第一属性标识可以是冷却塔风机频率，而水***的第二属性标识可以是水泵转速。根据这些属性标识，可以对第一运行数据进行分类提取，得到风***运行数据。例如，在风***运行数据中，可以包括冷却塔风机频率、风量数据以及风***IT数据。这些数据可以用于针对风***进行监测和控制，例如检测风机运行状态、调整风量等。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、根据风***运行数据中的冷却塔风机频率、风量数据以及风***IT数据，分别对预置的多个第一训练模型进行模型训练，得到多个第一预测结果；
S202、根据多个第一预测结果设置每个第一训练模型的模型权重，得到每个第一训练模型的第一模型权重；
S203、根据第一模型权重对多个第一训练模型进行模型集成，得到第一模型集；
S204、根据水***运行数据中的主机冷却水泵频率、水流量数据以及水***IT数据，分别对预置的多个第二训练模型进行模型训练，得到多个第二预测结果；
S205、根据多个第二预测结果设置每个第二训练模型的模型权重，得到每个第二训练模型的第二模型权重；
S206、根据第二模型权重对多个第二训练模型进行模型集成，得到第二模型集。
具体的，服务器获取风***运行数据中的冷却塔风机频率、风量数据以及风***IT数据，可以通过传感器或监测设备获取。然后，需要预置多个第一训练模型，这些模型通常是由神经网络、支持向量机等算法构建。每个模型对应一个模型权重，用于控制模型对训练数据的偏好程度。根据风***运行数据中的冷却塔风机频率、风量数据以及风***IT数据，分别对多个第一训练模型进行模型训练，以得到多个第一预测结果。具体而言，可以使用传统的监督学***均绝对误差（MAE）以及预测结果的方差等指标来设置权重。例如，假设预置了两个第一训练模型，其中模型A使用支持向量机算法，模型B使用神经网络算法。将风***运行数据分别输入到两个模型中进行训练，得到两个模型的预测结果。然后，可以使用MAE指标来计算两个模型的模型权重，以使得权重更好地反映每个模型在风***的较好拟合程度。例如，如果模型A的MAE值更小，则可以在模型B中提高模型权重，以使得模型B对于风***的预测能力更强。根据第一模型权重，对多个第一训练模型进行模型集成，得到第一模型集。模型集成可以使用多种方法，例如简单平均法、加权平均法、Bagging等。其中加权平均法可以按权重对模型进行加权平均，以得到更加准确的结果。然后，获取水***运行数据中的主机冷却水泵频率、水流量数据以及水***IT数据，这些数据可以通过传感器或监测设备获取。进而，预置多个第二训练模型，这些模型通常是由神经网络、支持向量机等算法构建。每个模型对应一个模型权重，用于控制模型对训练数据的偏好程度。根据水***运行数据中的主机冷却水泵频率、水流量数据以及水***IT数据，分别对多个第二训练模型进行模型训练，以得到多个第二预测结果。具体而言，可以使用传统的监督学***均法等模型集成方法，将预测结果合并，得到更准确的预测结果。根据多个第二预测结果，设置每个第二训练模型的模型权重，以获得每个模型的第二模型权重。这可以根据预测结果进行计算，以使得权重更好地反映每个模型在水***的较好拟合程度。例如，可以根据预测结果的平均绝对误差（MAE）以及预测结果的方差等指标来设置权重。然后，根据第二模型权重对多个第二训练模型进行模型集成，得到第二模型集。这可以使用多种方法，例如简单平均法、加权平均法、Bagging等。其中加权平均法可以按权重对模型进行加权平均，以得到更加准确的结果。例如，假设预置了两个第二训练模型，其中模型E使用支持向量机算法，模型F使用神经网络算法。将水***运行数据分别输入到两个模型中进行训练，得到两个模型的预测结果。然后，可以使用MAE指标来计算两个模型的模型权重，以使得权重更好地反映每个模型在水***的较好拟合程度。例如，如果模型E的MAE值更小，则可以在模型F中提高模型权重，以使得模型F对于水***的预测能力更强。进而，可以用加权平均法等方法，将预测结果合并，得到更准确的预测结果。
在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：
S301、对第一模型集和第二模型集进行模型合并，并将第一模型集和第二模型集作为第一层决策基模型；
S302、通过预设的中间层，对第一层决策基模型和预设的第二层决策元模型进行模型连接，得到目标参数调控模型。
具体的，服务器将第一模型集和第二模型集进行模型合并，以得到第一层决策基模型。模型合并可以基于多种模型集成方法，例如简单平均法、Bagging、Stacking等，可以选择适合问题的方法实现模型集成。然后，预设中间层，对第一层决策基模型和预设的第二层决策元模型进行模型连接。在此中间层中，可以使用多种方法，例如神经网络、贝叶斯优化等。这里需要明确模型连接的目标和方法。进而，训练第二层决策元模型，以连接第一层决策基模型和第二层模型连接中间层得到目标参数调控模型。对于第二层模型的训练，需要使用一些较为复杂的方法，例如强化学习、遗传算法、深度学习等。例如，假设合并了两个模型集，得到一个第一层决策基模型。然后，可以使用神经网络作为中间层，将第一层决策基模型与第二层决策元模型连接起来。在这里，第二层模型可以是一个神经网络，它需要使用训练数据和优化方法来调整其参数和权重。根据训练的结果，可以得到最终的目标参数调控模型，可以用来预测水***和风***的参数以及其它相关数据。
在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：
S401、获取待处理的第二运行数据，以及获取机房温控***的机房环境数据，其中，机房环境数据包括湿球温度、湿球湿度以及室外温度；
S402、对第二运行数据进行向量编码，得到初始运行向量，并对机房环境数据进行向量编码，得到环境评价向量；
S403、对初始运行向量和环境评价向量进行向量拼接，得到目标运行向量。
具体的，服务器首先，获取待处理的第二运行数据和机房温控***的机房环境数据。这些数据通常可以通过传感器或监测设备获取。进而，对第二运行数据和机房环境数据进行向量编码，在计算机中表示为向量格式。向量编码使用的方法可以有很多种，例如One-Hot编码、词袋模型、LDA等。这里的数据可以进行归一化或标准化，以保证向量的统一性。对于第二运行数据的向量编码，将其转换为一个初始运行向量。这个向量可以包括需要监测的多个操作变量，例如水泵的频率、压力传感器的输出、流量传感器的输出等。对于机房环境数据的向量编码，将其转换为一个环境评价向量。这个向量通常包括机房环境的多个操作变量，例如湿球温度、湿球湿度、室外温度等。例如，假设获取待处理的第二运行数据和机房温控***的机房环境数据。其中第二运行数据包括水泵的频率、压力传感器的输出和流量传感器的输出，机房环境数据包括湿球温度、湿球湿度和室外温度。将这些数据转换为向量格式，需要归一化或标准化，确保向量的统一性。其中初始运行向量可以包括水泵的频率、压力传感器的输出和流量传感器的输出所形成的向量。环境评价向量可以包括湿球温度、湿球湿度和室外温度所形成的向量。一般来说，初始运行向量是指模型在初始状态下的运行特征，环境评价向量代表外部环境的评价特征，而目标运行向量则表示想要的最终运行特征。进而，通过向量拼接的方法，将初始运行向量和环境评价向量进行合并。具体而言，在进行向量拼接时，将初始运行向量和环境评价向量的维度进行统一，然后将两个向量拼接在一起。这样，就得到了一个新的向量，它包含了初始运行向量和环境评价向量的所有信息。最后，利用这个新的向量来得到目标运行向量。一般来说，可以通过神经网络等模型对这个新的向量进行训练，从而得到目标运行向量。具体而言，可以先将这个新的向量输入到一个神经网络中，然后通过反向传播的方式进行训练，直到得到了一个稳定而有效的目标运行向量。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）将目标运行向量输入目标参数调控模型，其中，目标参数调控模型包括：第一层决策基模型、中间层以及第二层决策元模型；
（2）通过第一层决策基模型对目标运行向量进行特征提取和预测分析，得到塔风量参数预测值以及冷却水量参数预测值；
（3）通过中间层，将塔风量参数预测值以及冷却水量参数预测值输入第二层决策元模型进行参数校验，得到塔风量调控参数和冷却水量调控参数。
具体的，目标参数调控模型一般包括三个层级，即第一层决策基模型、中间层和第二层决策元模型。其中，第一层决策基模型负责对目标运行向量进行特征提取和预测分析，得到塔风量参数预测值以及冷却水量参数预测值；中间层将这些预测值进行整合，得到一组综合预测值；第二层决策元模型则将综合预测值转化为实际的调控参数，并输出给控制***。接下来，将目标运行向量输入到第一层决策基模型中进行特征提取和预测分析。具体而言，可以将目标运行向量看作是一个多维向量，其中每一维表示一个特征，例如温度、湿度、流量等。然后，可以通过神经网络等模型对这个向量进行训练，从而得到与塔风量参数和冷却水量参数相对应的预测值。第一层决策基模型在进行特征提取和预测分析时，利用神经网络等模型对目标运行向量中的每一个特征进行提取和筛选，得到一个新的向量，包含与塔风量参数和冷却水量参数相关的特征。将提取出的特征转化为对应的预测值，例如将温度特征转化为对应的塔风量参数预测值，将流量特征转化为对应的冷却水量参数预测值。通过神经网络等模型对特征转化后的向量进行分析和预测，得到塔风量参数预测值以及冷却水量参数预测值。得到塔风量参数预测值以及冷却水量参数预测值；最后，通过第一层决策基模型的特征提取和预测分析，就可以得到塔风量参数预测值和冷却水量参数预测值。这些预测值将作为中间层的输入，经过整合后得到一组综合预测值，然后通过第二层决策元模型转化为实际的调控参数，输出给控制***。中间层一般是一个神经网络或其他模型，在第一层决策基模型得到塔风量参数预测值以及冷却水量参数预测值后，将这些预测值进行整合，得到一组综合预测值，然后将这些预测值输入到第二层决策元模型中进行参数校验。接下来，将第一层决策基模型得到的塔风量参数预测值和冷却水量参数预测值传输至中间层，进行整合。具体而言，将这些预测值看作中间层的输入，然后利用神经网络或其他模型对这些输入进行训练和整合，得到一组综合预测值。最后，将中间层得到的综合预测值输入第二层决策元模型中进行参数校验，从而得到塔风量调控参数和冷却水量调控参数。具体而言，第二层决策元模型的主要作用是对中间层的输入进行分析和校验，以确定最终的塔风量调控参数和冷却水量调控参数。在进行校验时，根据实际情况设定加权系数等参数，来确定不同维度的预测值的权重，从而确定最终的调控参数。例如，假设设计一个水泵控制***，以自动控制水泵的流量和压力。将塔风量参数预测值和冷却水量参数预测值作为中间层的输入，经过神经网络进行整合，得到一组综合预测值。然后，将综合预测值输入到第二层决策元模型中进行校验，根据不同维度的预测值的权重，来确定最终的水泵流量和压力调控参数。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）根据第二运行数据确定机房温控***的当前塔风量以及当前冷却水量；
（2）根据塔风量调控参数和当前塔风量生成第一调控方案，以及根据冷却水量调控参数和当前冷却水量生成第二调控方案；
（3）根据第一调控方案以及第二调控方案生成机房温控***的参数调控方案；
（4）根据参数调控方案对机房温控***进行最佳温度监控，得到最佳温度点；
（5）根据最佳温度点，获取机房温控***对应的最低总功率。
具体的，根据第二运行数据来确定当前的塔风量和冷却水量。具体而言，通过传感器等设备监测机房内的温度、湿度、压力等参数，并将这些参数转化为塔风量和冷却水量的预测值。然后，根据这些预测值来确定当前的塔风量和冷却水量，以便后续的参数调控和温度监控。接下来，根据塔风量调控参数和冷却水量调控参数，生成一组调控方案。具体而言，根据当前的塔风量和冷却水量，以及塔风量调控参数和冷却水量调控参数，利用数学模型或其他方法来生成第一调控方案和第二调控方案。这些调控方案可以用来控制机房内的温度，以确保机房内的温度始终处于合适的范围内。接下来，根据塔风量调控参数和冷却水量调控参数，生成一组调控方案。具体而言，根据当前的塔风量和冷却水量，以及塔风量调控参数和冷却水量调控参数，利用数学模型或其他方法来生成第一调控方案和第二调控方案。这些调控方案可以用来控制机房内的温度，以确保机房内的温度始终处于合适的范围内。接下来，对机房温控***进行最佳温度监控。具体而言，利用传感器等设备监测机房内的温度，并将这些温度数据输入到机房温控***中进行分析和处理。通过分析这些数据，得到机房内的温度变化趋势及其与调控参数的关系，以及最佳温度点所对应的调控参数。最后，根据最佳温度点获取机房温控***对应的最低总功率。具体而言，通过计算不同调控方案所需要的能量消耗，并比较这些方案的能量消耗大小，来确定最佳的调控方案。然后，根据这个最佳调控方案，计算机房温控***所需要的总功率，并得到此时机房温控***所对应的最低总功率。
上面对本发明实施例中基于人工智能的数据中心机房参数调控方法进行了描述，下面对本发明实施例中基于人工智能的数据中心机房参数调控装置进行描述，请参阅图5，本发明实施例中基于人工智能的数据中心机房参数调控装置一个实施例包括：
获取模块501，用于获取机房温控***的第一运行数据，并对所述第一运行数据进行属性分类，得到风***运行数据以及水***运行数据；
训练模块502，用于将所述风***运行数据输入预置的多个第一训练模型进行模型训练，得到第一模型集，以及将所述水***运行数据输入预置的多个第二训练模型进行模型训练，得到第二模型集；
融合模块503，用于将所述第一模型集和所述第二模型集作为第一层决策基模型，并对所述第一层决策基模型和预设的第二层决策元模型进行模型融合，得到目标参数调控模型；
转换模块504，用于获取待处理的第二运行数据以及机房环境数据，并对所述第二运行数据以及所述机房环境数据进行向量转换，得到目标运行向量；
分析模块505，用于将所述目标运行向量输入所述目标参数调控模型进行机房参数调控分析，得到塔风量调控参数和冷却水量调控参数；
调控模块506，用于根据所述塔风量调控参数和所述冷却水量调控参数生成所述机房温控***的参数调控方案，并根据所述参数调控方案对所述机房温控***进行最佳温度和最低功率监控，得到所述机房温控***的最佳温度点和最低总功率。
通过上述各个组成部分的协同合作，将风***运行数据输入多个第一训练模型进行模型训练，得到第一模型集，以及将水***运行数据输入预置的多个第二训练模型进行模型训练，得到第二模型集；将第一模型集和第二模型集作为第一层决策基模型，并对第一层决策基模型和第二层决策元模型进行模型融合，得到目标参数调控模型；对第二运行数据以及机房环境数据进行向量转换，得到目标运行向量；将目标运行向量输入目标参数调控模型进行机房参数调控分析，得到塔风量调控参数和冷却水量调控参数，本发明实现了实时监控和精确调控机房的温度、湿度和能耗等参数，从而提高数据中心的能源利用效率和节能效果，降低数据中心的运行成本，采用了AI智能决策技术，可以自动化调整机房温控***运行参数，减少温控***能耗，降低数据中心PUE值，提高机房的运行效率，利用多模型融合技术，可以更准确地预测机房环境和能源消耗情况，提高数据分析和调控的精度，进而采用了最优化控制策略，可以找到机房温控***的最佳温度点和最低总功率，从而提高机房调控效果，实现了数据中心机房的智能参数调控，并且提高了参数调控的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的基于人工智能的数据中心机房参数调控装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于人工智能的数据中心机房参数调控设备进行详细描述。
图6是本发明实施例提供的一种基于人工智能的数据中心机房参数调控设备的结构示意图，该基于人工智能的数据中心机房参数调控设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对基于人工智能的数据中心机房参数调控设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在基于人工智能的数据中心机房参数调控设备600上执行存储介质630中的一系列指令操作。
基于人工智能的数据中心机房参数调控设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作***631，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的基于人工智能的数据中心机房参数调控设备结构并不构成对基于人工智能的数据中心机房参数调控设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种基于人工智能的数据中心机房参数调控设备，所述基于人工智能的数据中心机房参数调控设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于人工智能的数据中心机房参数调控方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于人工智能的数据中心机房参数调控方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于人工智能的数据中心机房参数调控方法，其特征在于，所述基于人工智能的数据中心机房参数调控方法包括：
获取机房温控***的第一运行数据，并对所述第一运行数据进行属性分类，得到风***运行数据以及水***运行数据；
将所述风***运行数据输入预置的多个第一训练模型进行模型训练，得到第一模型集，以及将所述水***运行数据输入预置的多个第二训练模型进行模型训练，得到第二模型集；
将所述第一模型集和所述第二模型集作为第一层决策基模型，并对所述第一层决策基模型和预设的第二层决策元模型进行模型融合，得到目标参数调控模型，具体包括：对所述第一模型集和所述第二模型集进行模型合并，并将所述第一模型集和所述第二模型集作为第一层决策基模型；通过预设的中间层，对所述第一层决策基模型和预设的第二层决策元模型进行模型连接，得到目标参数调控模型；其中，第二层决策元模型是一个神经网络，使用训练数据和优化方法调整第二层决策元模型的参数和权重；
获取待处理的第二运行数据以及机房环境数据，并对所述第二运行数据以及所述机房环境数据进行向量转换，得到目标运行向量；
将所述目标运行向量输入所述目标参数调控模型进行机房参数调控分析，得到塔风量调控参数和冷却水量调控参数，具体包括：将所述目标运行向量输入所述目标参数调控模型，其中，所述目标参数调控模型包括：第一层决策基模型、中间层以及第二层决策元模型；通过所述第一层决策基模型对所述目标运行向量进行特征提取和预测分析，得到塔风量参数预测值以及冷却水量参数预测值；通过所述中间层，将所述塔风量参数预测值以及所述冷却水量参数预测值输入所述第二层决策元模型进行参数校验，得到塔风量调控参数和冷却水量调控参数；
根据所述塔风量调控参数和所述冷却水量调控参数生成所述机房温控***的参数调控方案，并根据所述参数调控方案对所述机房温控***进行最佳温度和最低功率监控，得到所述机房温控***的最佳温度点和最低总功率。
2.根据权利要求1所述的基于人工智能的数据中心机房参数调控方法，其特征在于，所述获取机房温控***的第一运行数据，并对所述第一运行数据进行属性分类，得到风***运行数据以及水***运行数据，包括：
获取机房温控***的第一运行数据，并获取所述机房温控***中风***的第一属性标识以及水***的第二属性标识；
根据所述第一属性标识对所述第一运行数据进行分类提取，得到风***运行数据，其中，所述风***运行数据包括：冷却塔风机频率、风量数据以及风***IT数据；
根据所述第二属性标识对所述第一运行数据进行分类提取，得到水***运行数据，其中，所述水***运行数据包括：主机冷却水泵频率、水流量数据以及水***IT数据。
3.根据权利要求2所述的基于人工智能的数据中心机房参数调控方法，其特征在于，所述将所述风***运行数据输入预置的多个第一训练模型进行模型训练，得到第一模型集，以及将所述水***运行数据输入预置的多个第二训练模型进行模型训练，得到第二模型集，包括：
根据所述风***运行数据中的冷却塔风机频率、风量数据以及风***IT数据，分别对预置的多个第一训练模型进行模型训练，得到多个第一预测结果；
根据所述多个第一预测结果设置每个第一训练模型的模型权重，得到每个第一训练模型的第一模型权重；
根据所述第一模型权重对所述多个第一训练模型进行模型集成，得到第一模型集；
根据所述水***运行数据中的主机冷却水泵频率、水流量数据以及水***IT数据，分别对预置的多个第二训练模型进行模型训练，得到多个第二预测结果；
根据所述多个第二预测结果设置每个第二训练模型的模型权重，得到每个第二训练模型的第二模型权重；
根据所述第二模型权重对所述多个第二训练模型进行模型集成，得到第二模型集。
4.根据权利要求1所述的基于人工智能的数据中心机房参数调控方法，其特征在于，所述获取待处理的第二运行数据以及机房环境数据，并对所述第二运行数据以及所述机房环境数据进行向量转换，得到目标运行向量，包括：
获取待处理的第二运行数据，以及获取所述机房温控***的机房环境数据，其中，所述机房环境数据包括湿球温度、湿球湿度以及室外温度；
对所述第二运行数据进行向量编码，得到初始运行向量，并对所述机房环境数据进行向量编码，得到环境评价向量；
对所述初始运行向量和所述环境评价向量进行向量拼接，得到目标运行向量。
5.根据权利要求1所述的基于人工智能的数据中心机房参数调控方法，其特征在于，所述根据所述塔风量调控参数和所述冷却水量调控参数生成所述机房温控***的参数调控方案，并根据所述参数调控方案对所述机房温控***进行最佳温度和最低功率监控，得到所述机房温控***的最佳温度点和最低总功率，包括：
根据所述第二运行数据确定所述机房温控***的当前塔风量以及当前冷却水量；
根据所述塔风量调控参数和所述当前塔风量生成第一调控方案，以及根据所述冷却水量调控参数和所述当前冷却水量生成第二调控方案；
根据所述第一调控方案以及所述第二调控方案生成所述机房温控***的参数调控方案；
根据所述参数调控方案对所述机房温控***进行最佳温度监控，得到最佳温度点；
根据所述最佳温度点，获取所述机房温控***对应的最低总功率。
6.一种基于人工智能的数据中心机房参数调控装置，其特征在于，所述基于人工智能的数据中心机房参数调控装置包括：
获取模块，用于获取机房温控***的第一运行数据，并对所述第一运行数据进行属性分类，得到风***运行数据以及水***运行数据；
训练模块，用于将所述风***运行数据输入预置的多个第一训练模型进行模型训练，得到第一模型集，以及将所述水***运行数据输入预置的多个第二训练模型进行模型训练，得到第二模型集；
融合模块，用于将所述第一模型集和所述第二模型集作为第一层决策基模型，并对所述第一层决策基模型和预设的第二层决策元模型进行模型融合，得到目标参数调控模型，具体包括：对所述第一模型集和所述第二模型集进行模型合并，并将所述第一模型集和所述第二模型集作为第一层决策基模型；通过预设的中间层，对所述第一层决策基模型和预设的第二层决策元模型进行模型连接，得到目标参数调控模型；其中，第二层决策元模型是一个神经网络，使用训练数据和优化方法调整第二层决策元模型的参数和权重；
转换模块，用于获取待处理的第二运行数据以及机房环境数据，并对所述第二运行数据以及所述机房环境数据进行向量转换，得到目标运行向量；
分析模块，用于将所述目标运行向量输入所述目标参数调控模型进行机房参数调控分析，得到塔风量调控参数和冷却水量调控参数，具体包括：将所述目标运行向量输入所述目标参数调控模型，其中，所述目标参数调控模型包括：第一层决策基模型、中间层以及第二层决策元模型；通过所述第一层决策基模型对所述目标运行向量进行特征提取和预测分析，得到塔风量参数预测值以及冷却水量参数预测值；通过所述中间层，将所述塔风量参数预测值以及所述冷却水量参数预测值输入所述第二层决策元模型进行参数校验，得到塔风量调控参数和冷却水量调控参数；
调控模块，用于根据所述塔风量调控参数和所述冷却水量调控参数生成所述机房温控***的参数调控方案，并根据所述参数调控方案对所述机房温控***进行最佳温度和最低功率监控，得到所述机房温控***的最佳温度点和最低总功率。
7.一种基于人工智能的数据中心机房参数调控设备，其特征在于，所述基于人工智能的数据中心机房参数调控设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于人工智能的数据中心机房参数调控设备执行如权利要求1-5中任一项所述的基于人工智能的数据中心机房参数调控方法。
8.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-5中任一项所述的基于人工智能的数据中心机房参数调控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310691920.1A CN116466672B (zh) | 2023-06-13 | 2023-06-13 | 基于人工智能的数据中心机房参数调控方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310691920.1A CN116466672B (zh) | 2023-06-13 | 2023-06-13 | 基于人工智能的数据中心机房参数调控方法及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116466672A CN116466672A (zh) | 2023-07-21 |
| CN116466672B true CN116466672B (zh) | 2023-11-10 |
Family
ID=87177400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310691920.1A Active CN116466672B (zh) | 2023-06-13 | 2023-06-13 | 基于人工智能的数据中心机房参数调控方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116466672B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205540239U (zh) * | 2016-04-13 | 2016-08-31 | 广州番禺职业技术学院 | 一种计算机机房运行能耗综合调度管理*** |
| CN111664550A (zh) * | 2019-01-18 | 2020-09-15 | 深圳创新奇智科技有限公司 | 基于预测模型和最优化算法的能效优化方法及*** |
| CN113779107A (zh) * | 2021-08-26 | 2021-12-10 | 北京理工大学 | 一种基于深度并行网络的机房温度预测方法 |
| CN114580688A (zh) * | 2020-11-30 | 2022-06-03 | 中兴通讯股份有限公司 | 水冷***的控制模型优化方法、电子设备和存储介质 |
| CN114722574A (zh) * | 2022-03-16 | 2022-07-08 | 华南理工大学 | 一种基于ai算法的数据中心中央空调冷冻水参数设定方法 |
| CN115994184A (zh) * | 2023-03-23 | 2023-04-21 | 深圳市宝腾互联科技有限公司 | 一种基于大数据自动化运维平台的运维方法及*** |
| CN116069095A (zh) * | 2023-04-06 | 2023-05-05 | 山东金宇信息科技集团有限公司 | 一种机房环境调节方法、设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114841338B (zh) * | 2022-04-06 | 2023-08-18 | 北京百度网讯科技有限公司 | 训练模型参数的方法、决策确定方法、装置及电子设备 |
-
2023
- 2023-06-13 CN CN202310691920.1A patent/CN116466672B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205540239U (zh) * | 2016-04-13 | 2016-08-31 | 广州番禺职业技术学院 | 一种计算机机房运行能耗综合调度管理*** |
| CN111664550A (zh) * | 2019-01-18 | 2020-09-15 | 深圳创新奇智科技有限公司 | 基于预测模型和最优化算法的能效优化方法及*** |
| CN114580688A (zh) * | 2020-11-30 | 2022-06-03 | 中兴通讯股份有限公司 | 水冷***的控制模型优化方法、电子设备和存储介质 |
| CN113779107A (zh) * | 2021-08-26 | 2021-12-10 | 北京理工大学 | 一种基于深度并行网络的机房温度预测方法 |
| CN114722574A (zh) * | 2022-03-16 | 2022-07-08 | 华南理工大学 | 一种基于ai算法的数据中心中央空调冷冻水参数设定方法 |
| CN115994184A (zh) * | 2023-03-23 | 2023-04-21 | 深圳市宝腾互联科技有限公司 | 一种基于大数据自动化运维平台的运维方法及*** |
| CN116069095A (zh) * | 2023-04-06 | 2023-05-05 | 山东金宇信息科技集团有限公司 | 一种机房环境调节方法、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116466672A (zh) | 2023-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3640870A1 (en) | Asset performance manager | |
| KR102215690B1 (ko) | 시계열의 데이터를 모니터링 하는 방법 및 그 장치 | |
| KR102340258B1 (ko) | 시계열의 데이터를 예측 하는 방법 및 그 장치 | |
| CN110571792A (zh) | 一种电网调控***运行状态的分析评估方法及*** | |
| CN116760772B (zh) | 汇聚分流器的管控***及其方法 | |
| Al-Dahidi et al. | A framework for reconciliating data clusters from a fleet of nuclear power plants turbines for fault diagnosis | |
| CN116484269B (zh) | 显示屏模组的参数处理方法、装置、设备及存储介质 | |
| CN110766320A (zh) | 一种机场智能电网运行安全评价方法及装置 | |
| CN117289668B (zh) | 分布式减速机网络协同控制方法、装置、设备及存储介质 | |
| CN117094535B (zh) | 基于人工智能的能源补给管理方法及*** | |
| CN116681186B (zh) | 一种基于智能终端的用电质量分析方法及装置 | |
| CN116466672B (zh) | 基于人工智能的数据中心机房参数调控方法及相关装置 | |
| CN117113006A (zh) | 一种数字能源空压站的数据管理***及其方法 | |
| US20230236818A1 (en) | Cloud application deployment device and cloud application deployment method | |
| CN116293454A (zh) | 一种基于蒸汽管网动态平衡的管理***、方法及介质 | |
| US20230297837A1 (en) | Method for automated determination of a model compression technique for compression of an artificial intelligence-based model | |
| Mosavi et al. | Intelligent energy management using data mining techniques at Bosch Car Multimedia Portugal facilities | |
| Subramanian et al. | Load-Aware VM Migration Using Hypergraph Based CDB-LSTM | |
| CN117439146B (zh) | 充电桩的数据分析控制方法及*** | |
| CN116760033B (zh) | 一种基于人工智能的实时电力需求预测*** | |
| CN117834455B (zh) | 一种电力物联网数据传输仿真方法和*** | |
| KR102542488B1 (ko) | 장단기 메모리 기반 비 간섭 부하 모니터링을 이용한 가전기기 전력 사용 상태 예측 방법 및 그를 위한 장치 | |
| CN116774058B (zh) | 电池寿命预测方法、装置、设备及存储介质 | |
| CN113447813B (zh) | 海上风力发电机组的故障诊断方法及设备 | |
| KR20240062187A (ko) | 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |